每經(jīng)記者 潘婷    每經(jīng)編輯 陳旭    

2023年，金融行業(yè)數(shù)字化轉(zhuǎn)型不斷深化，云架構(gòu)成為金融行業(yè)首選，智能應(yīng)用開始釋放無限潛能。

圍繞“國產(chǎn)軟件”“智能化”和“云原生”等關(guān)鍵詞，大模型在金融領(lǐng)域的落地和應(yīng)用持續(xù)深入。同時，在技術(shù)架構(gòu)上，云原生分布式架構(gòu)在金融機構(gòu)中的落地越來越廣泛。

金融機構(gòu)面對大模型的態(tài)度如何？怎么搭建大模型？在金融機構(gòu)智能化轉(zhuǎn)型過程中，不同規(guī)模、不同類型金融機構(gòu)的轉(zhuǎn)型速度是不是存在差異？帶著上述問題，《每日經(jīng)濟新聞》（以下簡稱NBD）記者對騰訊云副總裁胡利明進行了專訪。

頭部金融機構(gòu)積極嘗試

NBD：在金融機構(gòu)智能化轉(zhuǎn)型過程中，不同規(guī)模、不同類型金融機構(gòu)的轉(zhuǎn)型速度是不是存在差異？

胡利明：目前接觸下來，不同類型的金融機構(gòu)面對大模型在大方向上是有共識的，不論短期還是長期來看，一定要積極擁抱基于大模型的金融領(lǐng)域的應(yīng)用，否則一定會被淘汰。因為你的經(jīng)營效率、服務(wù)效率、服務(wù)質(zhì)量一定比不上大模型用得好的機構(gòu)。

頭部金融機構(gòu)會非常積極地投資和嘗試大模型，包括底層的算力、大模型本身多路徑的嘗試等，比如自己開源做一個場景，和有大模型的互聯(lián)網(wǎng)廠家合作做一些場景，并行探索，積極投入。頭部的保險、券商、銀行以及比較大一點的股份制機構(gòu)，基本上處于積極投資和嘗試狀態(tài)。

腰部和尾部金融機構(gòu)則是另外一種狀態(tài)。部分腰部的金融機構(gòu)可能比較積極地去和有大模型的廠家合作試點一兩個場景，用較少的資源去做，先去蹚出一條路，鍛煉隊伍，把know-how（專業(yè)知識）慢慢建立起來，找到一兩個精準(zhǔn)的場景試試能不能出現(xiàn)效果。

更多的腰部金融機構(gòu)和尾部金融機構(gòu)主要就是觀望和跟隨，看看其他機構(gòu)做得怎么樣，有哪些場景有效果跑起來，而不是急于做投資。

除了機構(gòu)規(guī)模外，倒沒有太分行業(yè)。其實在大模型領(lǐng)域，現(xiàn)在更多是從投資意愿的角度來劃分，無論在國內(nèi)的傳統(tǒng)企業(yè)也好，金融行業(yè)也好，在業(yè)務(wù)場景中的使用其實都還在一個摸索階段。對于像投研、投顧包括很多其他場景，要體現(xiàn)出大模型對效率的更大提升，需要和行業(yè)更深入的、高質(zhì)量的數(shù)據(jù)相結(jié)合。

NBD：造成這種差異的原因是什么？

胡利明：相較于以前的非大模型時代，和那種定制化模型相比，大模型的強項在于它的理解能力和生成的能力。

在產(chǎn)生效果方面，需要時間去深度訓(xùn)練和調(diào)優(yōu)，我覺得初期能夠產(chǎn)生效果的場景，可能在采訪助手或者客服助手這些領(lǐng)域會更明顯一點，它對生成結(jié)果的使用價值更明確。在其他領(lǐng)域，大模型的可解釋性以及對以前效果的對比不太好量化。

另外，大模型對數(shù)據(jù)本身的來源和質(zhì)量要求也比較高，這個方向本身也是難點，就像投研投顧，大家的數(shù)據(jù)比較同質(zhì)化，以前應(yīng)用的數(shù)據(jù)源也比較類似，很難找到一些獨特的數(shù)據(jù)源可以很快體現(xiàn)效果的增值。

我覺得國內(nèi)對大模型的應(yīng)用非常熱門，但是出效果還是要一步一步來，不能急于一時，包括國內(nèi)的大模型有不少是基于開源去做的，像騰訊混元大模型是從零開始構(gòu)建，其實這個過程相對來說會比較漫長。

做大模型采取分層模式

NBD：一般來說，金融大模型的搭建會從部分業(yè)務(wù)和場景進行，還是以全量業(yè)務(wù)為基礎(chǔ)進行搭建？

胡利明：現(xiàn)在金融機構(gòu)試點做大模型，基本上會采取分層模式。因為現(xiàn)在規(guī)劃智能化的能力，金融機構(gòu)有機會從零開始作規(guī)劃，會比較科學(xué)化地考慮，不會再“煙囪化”搭建，比如針對CV（計算機視覺）的場景建一個大模型平臺，針對風(fēng)控場景又從零開始建。

從底下GPU（圖形處理單元）算力的物理集群，到資源管理、機器學(xué)習(xí)平臺，再到部署行業(yè)大模型或者開源模型，到行業(yè)的應(yīng)用，是分層面去構(gòu)建的。

不過，各機構(gòu)試點的時候，試點的范圍、選擇的類型會有所不同，比如券商可能選投研投顧，銀行可能選客服助手、風(fēng)控等去分層，分層模式相對來說每一層有更靈活的組合和選擇，給后面的探索留下了很多可能性和可創(chuàng)性。

NBD：這種大模型的搭建對于金融行業(yè)來說，是不是一種革命性的變革呢？

胡利明：對金融行業(yè)來說肯定是革命性的變革。以前的模型基本上都是非常專有的、很細(xì)分的模型，不像大模型有一個通用的智能，在此基礎(chǔ)上再疊加智能的能力。

簡單來說，以前的智能是解決一個專項的小問題，現(xiàn)在基于通用的智能上面去疊加客服、疊加CV、疊加金融研究等不同場景，通過生成式的方式可以做得更好，效率更高，對客戶來說體驗更好，而且有機會往更通用性的人工智能方向演進，這些都是以前專有的小的場景智能、小的專用模型所不能比擬的。

讓轉(zhuǎn)型成果逐步顯現(xiàn)

NBD：不同類型金融機構(gòu)在數(shù)字化和智能化過程中所面臨的痛點和難點有哪些？

胡利明：不同類型金融機構(gòu)在數(shù)字化轉(zhuǎn)型過程中的痛點和難點是比較類似的。

從宏觀層面來講，主要是戰(zhàn)略目標(biāo)、戰(zhàn)略路徑、組織架構(gòu)以及人才的匹配，這是老生常談的問題。

它希望通過轉(zhuǎn)型達(dá)成什么樣的業(yè)務(wù)目標(biāo)，主要的實施路徑要讓數(shù)字化轉(zhuǎn)型的階段性成果逐步顯現(xiàn)，避免持續(xù)投入但未看到明顯效果，否則數(shù)字化轉(zhuǎn)型在客戶組織上可能就會有很多質(zhì)疑的聲音，這些路徑的設(shè)計是很講究的。

對于內(nèi)部組織架構(gòu)，包括人才的匹配也是必須的，僅僅有戰(zhàn)略沒有對應(yīng)匹配的科技人才去實施，科技和業(yè)務(wù)配合的陣形沒有合理設(shè)計好，也會使得數(shù)字化能力的落地、在業(yè)務(wù)當(dāng)中產(chǎn)生的效果大打折扣。

從具體落地層面來講，第一，是數(shù)字化的基礎(chǔ)設(shè)施的落地，這里面我們提到的分布式云架構(gòu)，國產(chǎn)化的技術(shù)棧已經(jīng)成為必然的趨勢；第二，是基于大數(shù)據(jù)和人工智能的數(shù)字化的運營體系。

在這個方向上，很多金融機構(gòu)不具備能力，頭部機構(gòu)相對來說走得靠前一點，對于集中性的大數(shù)據(jù)的中臺，人工智能的中臺有一個整體性的規(guī)劃，然后在上面不斷疊加應(yīng)用，頭部機構(gòu)已經(jīng)走向了一個比較深度的應(yīng)用階段。

但是，大部分中小機構(gòu)在數(shù)字化和智能化領(lǐng)域的應(yīng)用是比較零散的單點采購，沒有系統(tǒng)性的規(guī)劃，所以導(dǎo)致在數(shù)字化的運營、金融服務(wù)的體驗等方面，和大機構(gòu)差距是比較大的。

NBD：面對這些痛點，你們是怎么幫助金融機構(gòu)來加以解決？

胡利明：圍繞這些痛點，我們推出的數(shù)字化解決方案叫未來金融，就是叫新基建，新連接，新服務(wù)。

新基建就是解決金融機構(gòu)的云基礎(chǔ)設(shè)施，包括數(shù)據(jù)庫、大數(shù)據(jù)平臺，AI平臺科技底座的革新。

新服務(wù)主要是通過人工智能和數(shù)據(jù)智能的應(yīng)用，以及音視頻多媒體能力去重塑金融的服務(wù)。

新連接其實是通過我們社交網(wǎng)絡(luò)的平臺，智能營銷的能力以及私有化運營的工具平臺和經(jīng)驗體系，去幫助金融機構(gòu)構(gòu)建線上數(shù)字化的新連接，助力它的運營。